DeepTrust: evaluación de evidencias en redes sociales sobre movimientos bursátiles extremos

Resumen

DeepTrust es un marco para encontrar y evaluar información que podría explicar cambios extremos en los precios de las acciones. Su flujo de trabajo tiene tres partes: detección mediante aprendizaje automático de movimientos anómalos a partir de precios históricos, recuperación de información no estructurada relacionada desde Twitter mediante consultas que se adaptan a las condiciones de búsqueda, y evaluación de la fiabilidad del contenido recuperado. La evaluación considera características de los tuits, indicios de lenguaje generado, estructura argumentativa, subjetividad y sentimiento para reducir los resultados a un conjunto conciso de publicaciones potencialmente creíbles.

El marco se evaluó con anomalías bursátiles autoanotadas de Twitter y Facebook de abril de 2021. La configuración óptima reportada superó a un clasificador de referencia en la puntuación F0.5 y en precisión en ambos casos. Los autores también examinan por separado los módulos de recuperación y fiabilidad, e identifican factores que limitan su rendimiento. La descripción solo aporta evidencia sobre dos anomalías anotadas, por lo que no demuestra eficacia en otros eventos, activos o periodos. El método ayuda a priorizar información; las publicaciones creíbles en redes sociales no demuestran por sí solas la causa de un movimiento de precios.

Ideas clave

• DeepTrust combina detección de anomalías de precios, recuperación de contenido de Twitter y evaluación de la fiabilidad de la información.
• Se usan condiciones de consulta dinámicas para recuperar contenido de redes sociales relacionado con movimientos inusuales de precios.
• La evaluación de fiabilidad se basa en características de los tuits, indicios de generación de lenguaje, argumentación, subjetividad y sentimiento.
• La evaluación de dos anomalías bursátiles anotadas reporta puntuaciones F0.5 y precisión superiores a las de un clasificador de referencia.
• La pequeña evaluación descrita limita las conclusiones sobre generalización, y las publicaciones recuperadas no demuestran causalidad.

Etiquetas

# DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies


# DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies









Extreme pricing anomalies may occur unexpectedly without a trivial cause, and equity traders typically experience a meticulous process to source disparate information and analyze its reliability before integrating it into the trusted knowledge base. We introduce DeepTrust, a reliable financial knowledge retrieval framework on Twitter to explain extreme price moves at speed, while ensuring data veracity using state-of-the-art NLP techniques. Our proposed framework consists of three modules, specialized for anomaly detection, information retrieval and reliability assessment. The workflow starts with identifying anomalous asset price changes using machine learning models trained with historical pricing data, and retrieving correlated unstructured data from Twitter using enhanced queries with dynamic search conditions. DeepTrust extrapolates information reliability from tweet features, traces of generative language model, argumentation structure, subjectivity and sentiment signals, and refine a concise collection of credible tweets for market insights. The framework is evaluated on two self-annotated financial anomalies, i.e., Twitter and Facebook stock price on 29 and 30 April 2021. The optimal setup outperforms the baseline classifier by 7.75% and 15.77% on F0.5-scores, and 10.55% and 18.88% on precision, respectively, proving its capability in screening unreliable information precisely. At the same time, information retrieval and reliability assessment modules are analyzed individually on their effectiveness and causes of limitations, with identified subjective and objective factors that influence the performance. As a collaborative project with Refinitiv, this framework paves a promising path towards building a scalable commercial solution that assists traders to reach investment decisions on pricing anomalies with authenticated knowledge from social media platforms in real-time.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.